Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Cluster Computing
Erschienen in: Cluster Computing 2/2019

22.12.2017

Online object tracking by sparse and structural model

verfasst von: Zhibo Guo, Kejun Lin, Jian Huang, Ying Zhang, Zhengda Cui

Erschienen in: Cluster Computing | Sonderheft 2/2019

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The objects tracking often meets the phenomenon, such as part or heavy occlusion, illumination variation, clutter background and scale variation and so on, during the tracking process, and which are the main challenge for object tracking. In this work, an online object tracking algorithm using local structural model with overlapped patches is proposed, the target is represented local structural feature with sparsity, furthermore, the sparse coefficients are pooled by the \(L_{2}\)-pooling method, and the target can be located more accurately and the occlusion problem can be better handled with this strategy, In addition, the paper develops an adaptive updating strategy based on increment subspace learning and sparse representation, this not only helps weaken the influence of illumination but also reduces the possibility of drifting. Numerous experiments demonstrate that the proposed algorithm performs more robustly and effectively against several state-of-the-art algorithms.
Vorheriger Artikel A new method for sensorless control of brushless DC motor
Nächster Artikel Simulation on the weld crack growth in the surface of oil/gas pipes by using a magnetic-structural coupling algorithm

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
Yilmaz, A., Javed, O., Shah, M.: Object tracking: a survey. In: CSUR (2006)
2.
Smeulders, A.W.M., Chu, D.M., Cucchiara, R., Calderara, S., Dehghan, A., Shah, M.: Visual tracking: an experimental survey. IEEE Trans. Pattern Anal. Mach. Intell. 36, 1442-1468 (2014)
3.
Babenko, B., Yang, M.-H., Belongie, S.: Visual tracking with online multiple instance learning. In: CVPR, pp. 983–990 (2009)
4.
Kalal, Z., Matas, J., Mikolajczyk, K.: P-N learning: bootstrapping binary classifiers by structural constraints. In: CVPR, pp. 49–56 (2010)
5.
Grabner, H., Bischof, H.: On-line boosting and vison. In: CVPR, pp. 260–267 (2006)
6.
Wang, S., Lu, H., Yang, F., Yang, M.-H.: Superpixel tracking. In: ICCV, pp. 1323–1330 (2011)
7.
Ma, C., Huang, J.-B., Yang, X., Yang, M.-H.: Hierarchical convolutional features for visual tracking. In: ICCV, pp. 3074–3082 (2015)
8.
Liu, B., Huang, J., Yang, L., Kulikowsk, C.: Robust tracking using local sparse appearance model and k-selection. In: CVPR, pp. 1313–1320 (2011)
9.
Mei, X., Ling, H.: Robust visual tracking using \(l_1\) minimization. In: ICCV, pp. 1436–1443 (2009)
10.
Ross, D., Lim, J., Lin, R.-S., Yang, M-H.: Incremental learning for robust visual tracking. In: IJCV, pp. 125–141
11.
Kwon, J., Lee, K.M.: Visual tracking decomposition. In: CVPR, pp. 1269–1276 (2010)
12.
Han, G., Wang, X., Liu, J., Sun, N., Wang, C.: Robust object tracking based on local region sparse appearance model. Neurocomputing 184, 145–167 (2016)
13.
Wang, D., Lu, H., Yang, M.-H.: Online object tracking with sparse prototypes. IEEE Trans. Image Process. ITIP, 314–325 (2013)
14.
Zhong, W., Lu, H., Yang, M.-H.: Robust object tracking via sparsity-based collaborative model. In: CVPR, pp. 1838–1845 (2012)
15.
Dinh, T.B., Medioni, G.G.: Co-training framework of generative and discriminative trackers with partial occlusion handling. In: Proceeding of the IEEE Workshop on Applications of Computer Vision, pp. 642–649 (2011)
16.
Yu, Q., Dinh, T.B., Medioni, G.G.: Online tracking and reacquisition using co-training generative and discriminative trackers. In: ECCV, pp. 678–691 (2008)
17.
Mattews, I., Ishikawa, T., Baker, S.: The template update problem. In: PAMI, pp. 810–815 (2004)
18.
Wright, J., Yang, A.Y., Ganesh, A., Sastry, S.S., Ma, Y.: Robust face recognition via sparse representation. In: PAMI, pp. 210–227 (2009)
19.
Wright, J., Ma, Y., Mairal, J., Sapiro, G., Huang, T.S., Yan, S.: Sparse representation for computer vision and pattern recognition. In: Proceedings of the IEEE, pp. 1031–1044 (2010)
20.
Liu, B., Yang, L., Huang, J., Meer, P., Gong, L., Kulikowski, C.: Robust and fast collaborative tracking with two stage sparse optimization. In: ECCV, pp. 624–637 (2010)
21.
22.
Jia, X., Lu, H., Yang, M.-H.: Visual tracking via adaptive structural local sparse appearance model. In: CVPR, pp. 1822–1829 (2012)
23.
Yang, J., Yu, K., Gong, Y., Huang, T.: Linear spatial pyramid matching using sparse coding for image classification. In: CVPR, pp. 1794–1801 (2009)
Metadaten
Titel
Online object tracking by sparse and structural model
verfasst von
Zhibo Guo
Kejun Lin
Jian Huang
Ying Zhang
Zhengda Cui
Publikationsdatum
22.12.2017
Verlag
Springer US
Erschienen in
Cluster Computing / Ausgabe Sonderheft 2/2019
Print ISSN: 1386-7857
Elektronische ISSN: 1573-7543
DOI
https://doi.org/10.1007/s10586-017-1527-7

Weitere Artikel der Sonderheft 2/2019

Cluster Computing 2/2019 Zur Ausgabe

OriginalPaper

An improved routing algorithm for advanced metering infrastructure in smart grid

OriginalPaper

GARCH model prediction method based on Hessian matrix dynamic programming deep neural network

OriginalPaper

Local weighted regression statistical analysis based mathematical education evaluation

OriginalPaper

The mechanism of active respiratory circulation in patients with chronic respiratory failure COPD

OriginalPaper

Improved artificial bee colony algorithm based on self-adaptive random optimization strategy

OriginalPaper

Image multi-target detection and segmentation algorithm based on regional proposed fast intelligent network